什么是指数平滑预测模型

1. 公式
   观察依据

   第31页幻灯片展示了公式$\hat{Y}_{t+1} = \theta Y_t + \theta(1-\theta)Y_{t-1} + \theta(1-\theta)^2Y_{t-2} + \theta(1-\theta)^3Y_{t-3} + \theta(1-\theta)^4Y_{t-4} + \dots$

$\hat{Y}_{t+1}$

基于对过去观测值的无限加权和，在 $t+1$ 时刻得到的预测值。

实数

1. 公式
   观察依据

   第31页幻灯片展示了指数平滑方程中的项$Y_t$。

$Y_t$

t 时刻的实际观测值。

实数

1. 公式
   观察依据

   第31页幻灯片在主方程下方展示了$0 \le \theta \le 1$。

2. 声音
   观察依据

   主讲人说：‘前面那个方程中的 theta，实际上决定了我们在近期时间点中使用多少信息。’

$\theta$

平滑参数，用于决定赋予过去观测值的权重所遵循的指数衰减速率。

对应的式子为：[0, 1]

1. 公式
   观察依据

   第29页幻灯片展示了简化模型$\hat{Y}_t = \theta Y_{t-1} + (1-\theta)\hat{Y}_{t-1}$以及 SSE 公式$SSE = \sum_{t=1}^T (Y_t - \hat{Y}_t)^2$。

$\hat{Y}_t$

t 时刻的预测值。

实数

1. 公式
   观察依据

   幻灯片29展示了目标函数$SSE = \sum_{t=1}^T (Y_t - \hat{Y}_t)^2$。

SSE

平方误差和，即用于求解最优θ而最小化的目标函数。

非负实数

1. 公式
   观察依据

   幻灯片29在SSE公式中展示了求和的上限为$T$。

T

数据集中时间周期或观测值的总数。

正整数

1. 公式
   观察依据

   幻灯片上的公式：$\hat{Y}_t = \theta Y_{t-1} + (1 - \theta)\hat{Y}_{t-1}$

$\hat{Y}_t$

t 时刻的预测值

实数

1. 公式
   观察依据

   幻灯片上的公式：$\hat{Y}_t = \theta Y_{t-1} + (1 - \theta)\hat{Y}_{t-1}$

$Y_{t-1}$

$t-1$ 时刻的实际观测值

实数

1. 公式
   观察依据

   幻灯片上的公式：$\hat{Y}_t = \theta Y_{t-1} + (1 - \theta)\hat{Y}_{t-1}$

$\theta$

平滑参数

对应的式子为：[0, 1]

1. 公式
   观察依据

   幻灯片上的公式：SSE = $\sum_{t=1}^{T} (Y_t - \hat{Y}_t)^2$

SSE

平方误差和

非负实数

1. 公式
   观察依据

   幻灯片上的公式：$L_t = θ Y_t$ + （1 - θ）$L_{t-1}$

$L_t$

t 时刻的水平分量

实数

1. 公式
   观察依据

   幻灯片上的公式：$T_t = γ(L_t - L_{t-1})$ + （1 - γ）$T_{t-1}$

$T_t$

t 时刻的趋势分量

实数

1. 公式
   观察依据

   幻灯片31展示了指数平滑的无穷级数公式。

2. 声音
   观察依据

   讲解者说明对更早时期的观测值施加指数递减的权重。

指数平滑是一种时间序列预测方法，它对历史观测值赋予指数递减的权重。下一时期预测值是所有历史实际值的加权平均，其中较新近的值获得更高的权重。

1. $0 \le θ \le 1$

1. 公式
   观察依据

   幻灯片29显示“模型的简化形式：$\hat{Y}_t = \theta Y_{t-1} + (1-\theta)\hat{Y}_{t-1}$”。

2. 声音
   观察依据

   主讲人说明，利用两个信息即可预测今日值：昨日的实际值和昨日的预测值。

该无穷级数可通过仅使用上一个实际观测值和上一个预测值进行递推计算。这种方法通过每次新增数据点即更新预测值，从而简化了计算。

1. 需要初始值$\hat{Y}_0$或$\hat{Y}_1$以启动递推过程

1. 指数平滑模型的定义

1. 公式
   观察依据

   幻灯片29指出：“使一步向前预测误差最小化的$\theta$值被视为最优值。”并展示了SSE公式。

2. 声音
   观察依据

   主讲人提问：“我该如何找到最适合我数据的theta值？”并提到要最小化一步向前预测值。

为确定最佳平滑参数$\theta$，需在整个数据集上最小化实际观测值与一步向前预测值之间的平方误差和（SSE）。

1. 数据必须具备足够长的历史记录，才能计算预测值

1. 指数平滑的简化递推形式

1. 公式
   观察依据

   幻灯片展示了模型的简化形式及平方误差和（SSE）最小化过程。

2. 声音
   观察依据

   主讲人解释如何利用指数衰减模式预测下一个观测值，并通过最小化平方误差实现优化。

一种利用过去观测值的加权平均进行预测的 forecasting 方法，其中权重按指数规律衰减；参数 theta 通过最小化平方误差和（SSE）来优化。

1. 数据无明显趋势或季节性。

1. 公式
   观察依据

   幻灯片展示了霍尔特指数平滑模型中水平分量与趋势分量的方程。

2. 声音
   观察依据

   主讲人解释在趋势成分上再叠加一层指数平滑。

简单指数平滑的一种扩展，引入了趋势成分，用于同时估计时间序列的水平和趋势。

1. 数据呈现线性趋势。

1. 简单指数平滑模型

1. 公式
   观察依据

   幻灯片展示了温特斯指数平滑模型的公式，包括季节性成分。

2. 声音
   观察依据

   主讲人提到温特斯构建了一个季节性模型。

1. 温特斯方法的具体预测公式在音频中并未完整说明，仅在幻灯片上展示。

霍尔特方法的一种扩展，额外加入季节性成分，以处理具有重复短期周期的数据。

1. 数据同时呈现趋势性和季节性。

1. 霍尔特线性趋势法

1. 声音
   观察依据

   主讲人介绍了‘霍尔特-温特斯指数平滑模型’，该模型融合了‘趋势、季节性和水平’这三者。

2. 公式
   观察依据

   幻灯片展示了水平（$L_t$）、趋势（$T_t$）和季节（$S_t$）这三个方程，以及综合预测方程$\hat{Y}_{t+k} = L_t + kT_t + S_{t-p+k}$。

霍尔特-温特斯模型，也称为三重指数平滑模型，是一种时间序列预测方法，它在简单指数平滑的基础上进一步引入了趋势成分和季节性成分，与水平成分共同建模。该模型使用三个独立的平滑方程，随时间更新这三个成分。

1. 要求历史时间序列数据同时呈现趋势性和季节性。

2. 参数$\theta$、$\gamma$和$\delta$必须适当选取（通常介于0与1之间）。

3. 季节周期$p$必须已知。

1. 公式
   观察依据

   幻灯片在‘水平’标题下列出了公式$L_t = \theta Y_t + (1 - \theta)L_{t-1}$。

水平成分$L_t$表示剔除趋势和季节性影响后序列的基准值。它由当前观测值$Y_t$与前一期水平估计值$L_{t-1}$加权平均得到，权重由平滑参数$\theta$控制。

1. $\theta$是水平平滑参数。

1. 霍尔特-温特斯指数平滑模型

1. 公式
   观察依据

   幻灯片在‘趋势’标题下列出了公式$T_t = \gamma(L_t - L_{t-1}) + (1 - \gamma)T_{t-1}$。

趋势成分$T_t$刻画时间序列的斜率或变化方向。它通过水平成分变化量$L_t - L_{t-1}$与前一期趋势估计值$T_{t-1}$的指数加权移动平均进行更新，更新过程由参数$\gamma$控制。

1. $\gamma$是趋势平滑参数。

1. 霍尔特-温特斯指数平滑模型
2. 水平成分方程

1. 公式
   观察依据

   幻灯片在‘季节性’标题下列出了方程$S_t = \delta(Y_t - L_t) + (1 - \delta)S_{t-p}$。

2. 声音
   观察依据

   主讲人指出：‘我们添加到原始水平上的实际指数层位于季节性部分……目前指数衰减发生在季节性效应上。’

季节性成分 $S_t$ 用于解释数据中重复出现的短期周期。它通过取当前去季节化残差（$Y_t - L_t$）与一个完整周期前的季节因子（$S_{t-p}$）的加权平均来计算，所用参数为 $\delta$。该方法专门对跨周期的季节性效应施加指数衰减。

1. $\delta$是季节性平滑参数。

2. $p$是季节性周期长度。

1. 霍尔特-温特斯指数平滑模型
2. 水平成分方程

1. 公式
   观察依据

   幻灯片展示了预测方程$\hat{Y}_{t+k} = L_t + kT_t + S_{t-p+k}$。

2. 声音
   观察依据

   主讲人解释道：‘超过一个季节之后，我将沿用相同的季节性模式进行预测’，这与季节性项中的索引$t-p+k$一致。

对未来$k$期的最终预测值，由当前估计水平$L_t$、未来$k$期的投影趋势$kT_t$以及对应的季节性因子三者相加构成。所用的季节性索引为$S_{t-p+k}$，它选取与目标预测期在周期中处于相同相位的季节性成分。

1. $k$是预测超前的期数。

2. $p$是季节性周期长度。

1. 霍尔特-温特斯指数平滑模型
2. 水平成分方程
3. 趋势成分方程
4. 季节性成分方程

1. 字幕依据
   观察依据

   幻灯片30文字：“$\theta$的值越大，越强调最新观测值。”

2. 声音
   观察依据

   主讲人说：“theta值越大……我们对近期观测值的重视程度就越高，因为此时指数衰减发生得更快。”

平滑参数$\theta$的值越大，权重的指数衰减越快，从而更强调最近的观测值。

1. 对应的式子为：$0 \le \theta \le 1$

对所有有效的$\theta$

1. 公式
   观察依据

   幻灯片文字：'使一步向前预测误差最小化的 $\theta$ 值即为最优值。'

2. 声音
   观察依据

   主讲人说：“观察所有这些误差……将它们平方，并使该平方距离最小化。”

平滑参数θ的最优取值，是使一步向前预测误差的平方和最小的那个值。

1. 该模型为简单指数平滑。

对所有$θ \in [0, 1]$。

1. 声音
   观察依据

   主讲人说：“现在我可以将这些要素整合到霍尔特-温特斯指数平滑模型中，该模型同时包含趋势、季节性和水平三个成分。这一模型有时也被称为三重指数平滑模型……”

霍尔特-温特斯模型融合了水平、趋势和季节性成分，有时被称为三重指数平滑模型。

原文中未出现任何量词。

1. 声音
   观察依据

   主讲人表示：“这些模型即使面对更复杂的模型，也往往极难被超越；正因如此，它们是分析数据时极佳的首选模型。”

霍尔特-温特斯指数平滑模型即使面对更复杂的方法也往往极难被超越，因此是数据分析初期极为理想的首选模型。

原文中未出现任何量词。

1. 公式
   观察依据

   幻灯片29展示了误差平方和（SSE）公式以及简化后的模型方程。

2. 声音
   观察依据

   讲解者使用简化模型预测下一个点，并用垂直虚线表示预测误差。

1. 公式

   $$\hat{Y}_t = \theta Y_{t-1} + (1-\theta)\hat{Y}_{t-1}$$
   解释

   利用时刻 $t-1$ 的实际值和时刻 $t-1$ 的预测值，计算时刻 t 的预测值。

   步骤依据

   指数平滑的简化递推形式。

   视频直接表达
2. 公式

   $$e_t = Y_t - \hat{Y}_t$$
   解释

   通过用实际观测值减去预测值，计算时刻 t 的预测误差。

   步骤依据

   一步超前预测误差的定义。

   依据视频推导
3. 公式

   $$SSE = \sum_{t=1}^T e_t^2$$
   解释

   将所有 T 个时间段的误差平方求和，得到一个衡量模型拟合优度的单一指标。

   步骤依据

   标准最小二乘目标函数。

   视频直接表达

最小化残差平方和（SSE）可找到使预测值最接近实际历史数据的$\theta$。

1. 声音
   观察依据

   讲解者指出：超过下一个最优预测点后，后续所有预测值均保持不变，即呈现一条水平直线。

2. 动画
   观察依据

   图中显示一条橙色水平直线，从最后一个数据点向右延伸。

1. 公式

   $$$$
   解释

   简单指数平滑仅针对紧邻的下一步预测进行优化。

   步骤依据

   模型定义。

   视频直接表达
2. 公式

   $$$$
   解释

   若无新信息（实际观测值$Y_t$），对未来各步的最优估计始终为当前的平滑值。

   步骤依据

   当未来Y值未知时，递推公式所导致的逻辑结果。

   依据视频推导

一步以上的预测值恒定不变（呈水平状）。

1. 图示
   观察依据

   条形图标题为“递减权重”，比较 $\theta=0.5$（橙色）和 $\theta=0.25$（米色）在滞后阶数 t-1 至 t-7 上的表现。

1. 橙色柱形（$\theta=0.5$）

2. 米色柱形（$\theta=0.25$）

3. 横轴（观测值/滞后阶数）

4. 纵轴（权重）

1. 橙色条形从 t-0.5 时的约 1 快速下降至 t-0 时接近 7。

2. 米色柱形衰减缓慢，在较晚的滞后阶数（如 t-5 和 t-6）上保持较高权重，高于橙色柱形。

1. 两组柱形所代表的权重之和均为1（隐含条件）。

2. 滞后阶数从左向右递增。

较大的 theta 值使权重更集中于近期历史数据；较小的 theta 值则使影响扩散至更长的历史区间。

1. 动画
   观察依据

   散点图动画：各数据点按时间顺序依次出现，虚线垂直连接实际观测点与预测水平线。

1. 灰色圆点（实际观测值）

2. 垂直虚线（预测误差）

3. 橙色圆点（当前关注点）

4. 折线图（预测路径）

1. Points appear chronologically from Jan-90 to Oct-90。

2. 垂直线段表示每一步的误差$(Y_t - \hat{Y}_t)$的大小。

1. 纵轴刻度保持恒定（30000–50000）。

2. 时间轴呈线性推进。

展示模型如何为每一期生成预测，并度量其与实际观测值之间的偏差。

1. 动画
   观察依据

   图表显示数据点、预测点，以及代表误差平方/求和概念的垂直虚线。

1. 时间序列数据点

2. 预测点

3. 误差线

1. 误差以实际值与预测值之间的垂直距离形式高亮显示。

1. 底层数据序列保持不变。

阐释了最小化实际值与预测值之间平方差之和的概念。

1. 动画
   观察依据

   图表更新，显示一条斜向延伸至未来的预测线。

1. 时间序列数据

2. 水平线

3. 趋势斜率

4. 预测直线

1. 预测直线从水平变为对角线／倾斜。

1. 历史数据保持不变。

说明添加趋势成分后，模型能够沿斜线而非水平线来预测未来值。

1. 动画
   观察依据

   幻灯片依次从“温特斯指数平滑模型”（幻灯片3）过渡到“温特斯指数平滑预测”（幻灯片2），再过渡到“霍尔特-温特斯指数平滑预测”（幻灯片1）。左侧的公式保持不变，而右侧的图表则随之变化，以展示预测过程的不同方面。

1. 幻灯片标题

2. 公式块

3. 条形图

4. 折线图

1. 标题从“温特斯指数平滑模型”变为“温特斯指数平滑预测”，再变为“霍尔特-温特斯指数平滑预测”。

2. 右侧可视化内容从表示权重的条形图，变为展示历史数据与预测值的折线图。

1. 水平项、趋势项和季节项这三个核心方程始终显示在左侧，贯穿整个过渡过程。

该视觉演进过程说明了：由方程定义的各个组成部分（水平项、趋势项、季节项）如何被组合起来，生成完整的季节性预测，即从理论定义走向实际应用。

1. 图示
   观察依据

   一张标题为“权重”vs“观测值”的条形图被展示。横轴标签如“Jan-10', 'Jan-09”等，表示同一月份在不同年份的观测。纵轴显示递减的权重。

1. 条形图

2. 横轴标签（月份/年份）

3. 纵轴标签（权重）

1. 条形高度从左至右递减（从Jan-10到Jan-06）。

1. 各柱状图代表不同年份的同一月份（一月）。

该图表直观展示了指数衰减概念在季节效应中的应用：在计算当前季节成分时，对同一季节的较新观测值（例如 Jan-10）赋予更高权重，而对较旧观测值（例如 Jan-06）赋予较低权重。

1. 图示
   观察依据

   折线图将历史数据点用连线依次连接，并以带问号的虚线向未来延伸。

1. 历史数据点

2. 连接线

3. 虚线预测线

4. 问号

1. 该图表从仅显示历史数据，转变为包含向未来延伸的预测部分。

1. 历史数据的底层模式呈现出明显的季节性。

该折线图展示了霍尔特-温特斯模型的输出结果：实线表示过去观测值，带问号的虚线表示对未来时段的预测值，且这些预测值延续了历史中观察到的季节性模式。

1. 声音
   观察依据

   讲解者指出其缺点：‘你实际上无法预测下一个观测值之外的情况……这只是一个相当乏味的预测……一条水平线。’

认为单指数平滑法（SES）能为未来多个时段提供有意义的、各不相同的预测值。

由于单指数平滑法（SES）缺乏驱动变化的趋势成分或季节性成分，因此它对第一步之后的所有未来时段均产生一条平坦、恒定的预测线。

1. 公式
   观察依据

   幻灯片31展示无穷级数求和；幻灯片29展示递归更新。

简化后的递归公式在数学上等价于无穷加权和定义，可作为计算捷径。

1. 字幕依据
   观察依据

   幻灯片29将参数 theta 的求解与最小化残差平方和（SSE）联系起来。

最小化残差平方和（SSE）的方法被专门用于估计参数$\theta$。

1. 声音
   观察依据

   讲解者称霍尔特（Holt）‘在趋势成分上又增加了一层指数平滑’。

霍尔特法通过引入趋势成分，将单指数平滑法（SES）推广为更一般的模型。

1. 声音
   观察依据

   讲解者在讨论完趋势之后，接着介绍温特斯（Winters）模型——一种可处理季节性的模型。

温特斯法通过增加一个季节性成分，将霍尔特法进行了推广。

1. 公式
   观察依据

   该幻灯片明确列出‘原始序列’被分解为‘水平项’、‘趋势项’和‘季节项’，每一项均有其对应方程，随后在预测方程中将这三项相加。

霍尔特-温特斯模型包含水平分量方程，这是其基本组成部分之一。

1. 公式
   观察依据

   幻灯片明确列出“原始序列”被分解为“水平”“趋势”和“季节”三部分，每一部分都有各自的方程，然后在预测方程中将它们相加。

霍尔特-温特斯模型包含趋势分量方程，这是其基本组成部分之一。

1. 公式
   观察依据

   幻灯片明确列出“原始序列”被分解为“水平”“趋势”和“季节”三部分，每一部分都有各自的方程，然后在预测方程中将它们相加。

霍尔特-温特斯模型包含季节分量方程，这是其基本组成部分之一。

1. 公式
   观察依据

   预测方程$\hat{Y}_{t+k} = L_t + kT_t + S_{t-p+k}$对水平分量、缩放后的趋势分量和季节分量求和。

预测方程应用计算得到的水平分量。

1. 公式
   观察依据

   预测方程$\hat{Y}_{t+k} = L_t + kT_t + S_{t-p+k}$对水平分量、缩放后的趋势分量和季节分量求和。

预测方程应用计算得到的趋势分量，并按预测步长$k$对其进行缩放。

1. 公式
   观察依据

   预测方程$\hat{Y}_{t+k} = L_t + kT_t + S_{t-p+k}$对水平分量、缩放后的趋势分量和季节分量求和。

预测方程应用计算得到的季节分量，并根据预测步长和季节周期选取适当的索引。

1. 声音
   观察依据

   指数平滑模型的入门讲解。

1. 指数平滑模型的定义

1. 公式
   观察依据

   最小化残差平方和（SSE）的幻灯片。

1. 通过最小化SSE实现最优参数估计
2. 指数平滑的简化递推形式

1. 图示
   观察依据

   权重递减的条形图。

1. Theta 对权重分布的影响

1. 公式
   观察依据

   幻灯片标题：'如何计算 theta？'

2. 声音
   观察依据

   主讲人讨论最小化平方误差。

1. 简单指数平滑模型
2. 最优θ值的选择

1. 声音
   观察依据

   主讲人讨论了仅针对下一个时间点进行优化的‘弊端’。

1. 简单指数平滑模型
2. 关于单指数平滑法（SES）多步预测的常见误解

1. 公式
   观察依据

   幻灯片展示了霍尔特模型的方程。

2. 声音
   观察依据

   主讲人解释如何加入趋势项。

1. 霍尔特线性趋势法
2. s120-rel-ses-to-holt

1. 声音
   观察依据

   主讲人定义了融合趋势、季节与水平的模型。

1. 霍尔特-温特斯指数平滑模型

1. 声音
   观察依据

   讲解人说明季节效应中的指数衰减。

2. 图示
   观察依据

   条形图显示，对更早的季节性观测值所赋予的权重逐渐减小。

1. 季节性成分方程

1. 声音
   观察依据

   讲解人提到“三重指数平滑模型”。

1. 霍尔特-温特斯指数平滑模型
2. 三重指数平滑术语

1. 公式
   观察依据

   预测方程将水平项、趋势项与季节项相加。

1. 预测方程